Programar vencimientos de señales con el helper de Lean
Resumen
Este ejemplo del framework Lean muestra cómo un modelo Alpha puede usar un helper de vencimiento para establecer cuándo deben cerrarse las señales de trading generadas. El algoritmo usa un universo de acciones de US seleccionado manualmente que contiene SPY, datos horarios, construcción de cartera con ponderación equitativa, ejecución inmediata y un límite de drawdown por valor. Su modelo Alpha espera hasta una hora de actualización programada antes de generar más señales.
El ejemplo elige el vencimiento según el día de la semana: un mes, fin de mes, fin de semana o fin del día. También registra la hora de cierre y el día de la semana de la señal generada para mostrar cómo inspeccionar el calendario resultante. Son mecanismos del framework, no una señal de trading probada: el modelo siempre asigna una dirección alcista, y el documento no informa de rendimiento de inversión ni aporta pruebas de que las decisiones de calendario sean rentables. El intervalo de fechas reducido y el universo de un solo símbolo limitan aún más las conclusiones. Su utilidad está en mostrar cómo implementar la gestión de la duración de las señales, no en ofrecer una recomendación completa de estrategia.
Ideas clave
- Un modelo Alpha puede usar helpers de vencimiento para especificar cuándo deben cerrarse las señales generadas.
- El ejemplo selecciona un intervalo de vencimiento según el día actual de la semana.
- Una hora programada para la siguiente actualización evita que el modelo genere señales con cada actualización de datos.
- Se pueden registrar las horas de cierre de las señales generadas para inspeccionar el comportamiento del vencimiento.
- El ejemplo ilustra el uso del framework y no aporta pruebas de rendimiento de trading.
Etiquetas
Texto completo
# ExpiryHelperAlphaModelFrameworkAlgorithm
# ExpiryHelperAlphaModelFrameworkAlgorithm
Expiry Helper framework algorithm uses Expiry helper class in an Alpha Model
Expiry Helper algorithm uses Expiry helper class in an Alpha Model
## Source (Apache-2.0)
```python
# QUANTCONNECT.COM - Democratizing Finance, Empowering Individuals.
# Lean Algorithmic Trading Engine v2.0. Copyright 2014 QuantConnect Corporation.
#
# Licensed under the Apache License, Version 2.0 (the "License");
# you may not use this file except in compliance with the License.
# You may obtain a copy of the License at http://www.apache.org/licenses/LICENSE-2.0
#
# Unless required by applicable law or agreed to in writing, software
# distributed under the License is distributed on an "AS IS" BASIS,
# WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
# See the License for the specific language governing permissions and
# limitations under the License.
from AlgorithmImports import *
### <summary>
### Expiry Helper algorithm uses Expiry helper class in an Alpha Model
### </summary>
class ExpiryHelperAlphaModelFrameworkAlgorithm(QCAlgorithm):
'''Expiry Helper framework algorithm uses Expiry helper class in an Alpha Model'''
def initialize(self) -> None:
''' Initialise the data and resolution required, as well as the cash and start-end dates for your algorithm. All algorithms must initialized.'''
# Set requested data resolution
self.universe_settings.resolution = Resolution.HOUR
self.set_start_date(2013,10,7) #Set Start Date
self.set_end_date(2014,1,1) #Set End Date
self.set_cash(100000) #Set Strategy Cash
symbols = [ Symbol.create("SPY", SecurityType.EQUITY, Market.USA) ]
# set algorithm framework models
self.set_universe_selection(ManualUniverseSelectionModel(symbols))
self.set_alpha(self.ExpiryHelperAlphaModel())
self.set_portfolio_construction(EqualWeightingPortfolioConstructionModel())
self.set_execution(ImmediateExecutionModel())
self.set_risk_management(MaximumDrawdownPercentPerSecurity(0.01))
self.insights_generated += self.on_insights_generated
def on_insights_generated(self, s: IAlgorithm, e: GeneratedInsightsCollection) -> None:
for insight in e.insights:
self.log(f"{e.date_time_utc.isoweekday()}: Close Time {insight.close_time_utc} {insight.close_time_utc.isoweekday()}")
class ExpiryHelperAlphaModel(AlphaModel):
_next_update = None
_direction = InsightDirection.UP
def update(self, algorithm: QCAlgorithm, data: Slice) -> list[Insight]:
if self._next_update and self._next_update > algorithm.time:
return []
expiry = Expiry.END_OF_DAY
# Use the Expiry helper to calculate a date/time in the future
self._next_update = expiry(algorithm.time)
weekday = algorithm.time.isoweekday()
insights = []
for symbol in data.bars.keys():
# Expected CloseTime: next month on the same day and time
if weekday == 1:
insights.append(Insight.price(symbol, Expiry.ONE_MONTH, self._direction))
# Expected CloseTime: next month on the 1st at market open time
elif weekday == 2:
insights.append(Insight.price(symbol, Expiry.END_OF_MONTH, self._direction))
# Expected CloseTime: next Monday at market open time
elif weekday == 3:
insights.append(Insight.price(symbol, Expiry.END_OF_WEEK, self._direction))
# Expected CloseTime: next day (Friday) at market open time
elif weekday == 4:
insights.append(Insight.price(symbol, Expiry.END_OF_DAY, self._direction))
return insights
```Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: Apache-2.0
Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.